王 釗 劉釗遠(yuǎn)

（西安郵電大學(xué)計(jì)算機(jī)學(xué)院 西安 710061）

1 引言

隨著網(wǎng)絡(luò)的普及和高速發(fā)展，網(wǎng)絡(luò)服務(wù)在視頻監(jiān)控等領(lǐng)域已廣泛應(yīng)用。如何在有限的資源條件下及時(shí)有效地處理海量用戶的并發(fā)訪問請求？采用流媒體服務(wù)器集群［1～2］是目前解決該問題的主要方法。流媒體服務(wù)器集群的核心是集群負(fù)載均衡。現(xiàn)有的負(fù)載均衡算法可以分為靜態(tài)負(fù)載均衡算法和動(dòng)態(tài)負(fù)載均衡算法。靜態(tài)負(fù)載均衡算法按照固定的方式進(jìn)行分配，其算法簡單、運(yùn)行速度快，但是條件過于理想化，不能用于復(fù)雜的應(yīng)用場景。動(dòng)態(tài)負(fù)載均衡算法通過在一定時(shí)間內(nèi)，不斷更新集群各節(jié)點(diǎn)的狀態(tài)信息，通過一定方式計(jì)算其負(fù)載，根據(jù)負(fù)載均衡算法，選擇節(jié)點(diǎn)處理當(dāng)前請求。

文獻(xiàn)［3～4］提出了動(dòng)態(tài)反饋負(fù)載均衡算法，考慮了服務(wù)器的處理能力，同時(shí)實(shí)時(shí)計(jì)算服務(wù)器的負(fù)載，但是考慮了大量的負(fù)載因素，不重要的負(fù)載因素變化反而影響了最終負(fù)載均衡的準(zhǔn)確性。文獻(xiàn)［5］提出了每隔固定周期T，采集各服務(wù)節(jié)點(diǎn)的負(fù)載性能參數(shù)，計(jì)算并更新各服務(wù)節(jié)點(diǎn)的負(fù)載權(quán)值，以提高負(fù)載均衡的準(zhǔn)確性，但是負(fù)載權(quán)值的計(jì)算是按照一定的加權(quán)比例進(jìn)行的，比較經(jīng)驗(yàn)主義，而且該負(fù)載權(quán)值作為下一周期T的負(fù)載均衡標(biāo)準(zhǔn)，從而影響負(fù)載均衡的效果。

為此，本文提出一種改進(jìn)的動(dòng)態(tài)負(fù)載均衡算法，采用層次分析法確定初始的負(fù)載權(quán)值向量，然后通過實(shí)驗(yàn)進(jìn)行微調(diào)；根據(jù)每秒鐘節(jié)點(diǎn)任務(wù)數(shù)的變化量來動(dòng)態(tài)調(diào)整反饋周期T，及時(shí)反饋節(jié)點(diǎn)的實(shí)時(shí)負(fù)載狀況；同時(shí)根據(jù)負(fù)載指標(biāo)將集群節(jié)點(diǎn)劃分為三類（低負(fù)載、正常負(fù)載、高負(fù)載），解決突發(fā)大量并發(fā)連接請求導(dǎo)致的集群負(fù)載傾斜問題，提高集群負(fù)載均衡的效率。

2 現(xiàn)有負(fù)載均衡調(diào)度算法

2.1 輪詢調(diào)度算法

輪詢調(diào)度算法是一種靜態(tài)負(fù)載均衡算法。適用于集群中所有服務(wù)節(jié)點(diǎn)具有相同配置并且服務(wù)請求相對均衡的場景。該算法將集群中的n個(gè)服務(wù)節(jié)點(diǎn)依次編號為1，…，n。

當(dāng)編號i的任務(wù)請求到達(dá)時(shí)，根據(jù)式（1）將該任務(wù)分配給編號為num的服務(wù)節(jié)點(diǎn)。

2.2 最小連接數(shù)算法

最小連接數(shù)算法是動(dòng)態(tài)負(fù)載均衡算法。該算法以集群節(jié)點(diǎn)的任務(wù)連接數(shù)作為節(jié)點(diǎn)的性能指標(biāo)來進(jìn)行負(fù)載均衡。當(dāng)有新的任務(wù)請求到達(dá)時(shí)，將該任務(wù)分配給集群中當(dāng)前任務(wù)連接數(shù)最小的服務(wù)節(jié)點(diǎn)。該算法雖然考慮了任務(wù)連接數(shù)對節(jié)點(diǎn)負(fù)載的影響，但是沒有考慮集群中各服務(wù)節(jié)點(diǎn)的性能差異以及別的因素對節(jié)點(diǎn)負(fù)載的影響。

2.3 加權(quán)最小連接數(shù)算法

該算法是最小連接數(shù)算法的改進(jìn)，屬于動(dòng)態(tài)負(fù)載均衡算法，根據(jù)集群節(jié)點(diǎn)的處理性能設(shè)置對應(yīng)的權(quán)值，集群節(jié)點(diǎn)分配的任務(wù)數(shù)與其權(quán)值成正比。該算法雖然改善了最小連接數(shù)算法對集群節(jié)點(diǎn)性能差異的適應(yīng)性缺陷，但是仍然沒有考慮別的因素（如CPU利用率、帶寬利用率等）對集群節(jié)點(diǎn)性能的影響。

2.4 傳統(tǒng)的動(dòng)態(tài)反饋算法

傳統(tǒng)的動(dòng)態(tài)反饋算法［6～10］，通常會設(shè)定一個(gè)反饋周期T，每隔周期T各服務(wù)節(jié)點(diǎn)將自己的負(fù)載狀況上傳至中心服務(wù)器，中心服務(wù)器以此來計(jì)算并更新各服務(wù)節(jié)點(diǎn)的負(fù)載權(quán)值，然后將負(fù)載權(quán)值作為下一個(gè)周期T內(nèi)任務(wù)分配的標(biāo)準(zhǔn)。當(dāng)某一節(jié)點(diǎn)的負(fù)載突發(fā)較大變化時(shí)，并不能及時(shí)地通知中心服務(wù)器，只能等待反饋周期T到達(dá)時(shí)才上傳自己的負(fù)載變化狀況，更新負(fù)載權(quán)值，因此在當(dāng)前周期T內(nèi)可能導(dǎo)致集群負(fù)載傾斜。

3 改進(jìn)的動(dòng)態(tài)負(fù)載均衡算法

系統(tǒng)業(yè)務(wù)框架如圖1所示：

圖1 系統(tǒng)業(yè)務(wù)框架

在實(shí)際應(yīng)用中，視頻采集設(shè)備不主動(dòng)推送視頻數(shù)據(jù)，當(dāng)用戶發(fā)起任務(wù)請求時(shí)，調(diào)度服務(wù)器為其分配流媒體服務(wù)器Easy Darwin Streaming Server（EDSS），并將結(jié)果發(fā)送給視頻采集設(shè)備，隨后視頻采集設(shè)備根據(jù)接收到EDSS的IP及端口推送視頻數(shù)據(jù)，最后用戶根據(jù)調(diào)度服務(wù)器返回的結(jié)果拉取視頻數(shù)據(jù)，并在本地播放，完成整個(gè)視頻監(jiān)控業(yè)務(wù)。

3.1 改進(jìn)算法的設(shè)計(jì)思路

改進(jìn)算法采用動(dòng)態(tài)修改反饋周期T，同時(shí)將集群節(jié)點(diǎn)根據(jù)其負(fù)載狀況分為低負(fù)載、正常負(fù)載和高負(fù)載三類的方法，來提高集群的負(fù)載均衡效果。改進(jìn)的負(fù)載均衡算法系統(tǒng)框架圖如圖2所示。

圖2 改進(jìn)的動(dòng)態(tài)反饋負(fù)載均衡算法系統(tǒng)框架圖

圖2從用戶、調(diào)度服務(wù)器及流媒體服務(wù)器集群三個(gè)方面描述了改進(jìn)的動(dòng)態(tài)反饋負(fù)載算法的兩個(gè)主要流程：

1）A1～A8：用戶任務(wù)請求的處理過程；

2）B1～B5：負(fù)載均衡器動(dòng)態(tài)更新反饋周期T和集群節(jié)點(diǎn)分類的過程；

用戶任務(wù)請求處理過程：用戶發(fā)起任務(wù)請求，存入調(diào)度服務(wù)器的任務(wù)請求隊(duì)列，由調(diào)度服務(wù)器為其分配EDSS，完成之后將任務(wù)轉(zhuǎn)發(fā)到指定的EDSS執(zhí)行任務(wù)。

負(fù)載均衡器：當(dāng)反饋周期T的定時(shí)器到期，負(fù)載均衡器向集群節(jié)點(diǎn)請求負(fù)載指標(biāo)，隨后根據(jù)返回的負(fù)載指標(biāo)更新其反饋周期T及所屬分類，最后重置定時(shí)器T。

改進(jìn)的動(dòng)態(tài)負(fù)載均衡調(diào)度算法為了提升以下兩個(gè)效率問題：1）集群節(jié)點(diǎn)返回其真實(shí)負(fù)載狀況的及時(shí)性；2）在反饋周期內(nèi)，突發(fā)大量并發(fā)任務(wù)請求時(shí)集群的處理效率。

針對第一個(gè)問題，根據(jù)每秒鐘集群節(jié)點(diǎn)的任務(wù)總數(shù)的變化量來動(dòng)態(tài)地修改反饋周期T，以確保集群節(jié)點(diǎn)及時(shí)反饋其實(shí)際負(fù)載。當(dāng)連接數(shù)增大時(shí)，適當(dāng)較小周期T，盡快反饋集群負(fù)載狀況；當(dāng)連接數(shù)減小時(shí)，適當(dāng)增大周期T，降低集群節(jié)點(diǎn)計(jì)算負(fù)載權(quán)值的資源消耗。針對第二個(gè)問題，根據(jù)集群節(jié)點(diǎn)的負(fù)載指標(biāo)（CPU使用率、帶寬使用率、內(nèi)存使用率、連接數(shù)）將集群節(jié)點(diǎn)分為三類，類之間根據(jù)各類的負(fù)載權(quán)值總和的比例進(jìn)行任務(wù)分配，類中使用最小連接數(shù)算法進(jìn)行任務(wù)分配，以此解決周期T內(nèi)突發(fā)大量并發(fā)任務(wù)時(shí)導(dǎo)致集群中最優(yōu)節(jié)點(diǎn)分配大量任務(wù)，發(fā)生負(fù)載傾斜現(xiàn)象。

3.2 負(fù)載權(quán)值的計(jì)算

3.2.1 負(fù)載指標(biāo)參數(shù)

1）CPU利用率θcpu

每隔1s通過cat/proc/stat獲取CPU從系統(tǒng)啟動(dòng)到當(dāng)前時(shí)刻處于idle狀態(tài)的總節(jié)拍數(shù)（jiffies），再通過式（2）計(jì)算CPU在1s之內(nèi)的使用率：

其中，θcpu是1s內(nèi)的CPU利用率；Cidle1、Cidle2分別是時(shí)間間隔1s開始與結(jié)束時(shí)刻CPU處于idle狀態(tài)的總節(jié)拍數(shù)；Δt取值為100，因?yàn)?s的節(jié)拍數(shù)是100。

2）內(nèi)存利用率θmem

通過cat/proc/meminfo讀取當(dāng)前時(shí)刻的內(nèi)存使用狀況，得到內(nèi)存總量以及內(nèi)存剩余量，再通過式（3）計(jì)算當(dāng)前時(shí)刻內(nèi)存的利用率：

其中θmem為當(dāng)前時(shí)刻的內(nèi)存利用率；Mtotal為節(jié)點(diǎn)的內(nèi)存總量；Mfree為該節(jié)點(diǎn)的內(nèi)存剩余量。

3）網(wǎng)絡(luò)利用率θnet

每隔1s通過cat/proc/net/dev讀取節(jié)點(diǎn)從系統(tǒng)啟動(dòng)到當(dāng)前時(shí)刻接收到的數(shù)據(jù)量Rx以及發(fā)送的數(shù)據(jù)量Tx，再通過式（4）計(jì)算1s之內(nèi)帶寬的使用率：

其中，θnet為1s之內(nèi)的網(wǎng)絡(luò)利用率；Rx1、Tx1分別為時(shí)間間隔開始時(shí)節(jié)點(diǎn)接收和發(fā)送的數(shù)據(jù)量；Rx2、Tx2分別為時(shí)間間隔結(jié)束時(shí)節(jié)點(diǎn)接收和發(fā)送的數(shù)據(jù)量；Net為節(jié)點(diǎn)的總帶寬。

4）任務(wù)連接數(shù)θlinks

從調(diào)度服務(wù)器與流媒體服務(wù)器EDSS（EasyDar?win Streaming Server）的交互模塊中直接讀取節(jié)點(diǎn)當(dāng)前時(shí)刻的任務(wù)連接數(shù)。當(dāng)任務(wù)開始時(shí)θlinks+1，當(dāng)任務(wù)結(jié)束時(shí)θlinks-1。

3.2.2 負(fù)載權(quán)值向量

傳統(tǒng)動(dòng)態(tài)負(fù)載均衡算法負(fù)載權(quán)值的計(jì)算是按照一定的加權(quán)比例進(jìn)行的，比較經(jīng)驗(yàn)主義，可能影響負(fù)載權(quán)值計(jì)算的準(zhǔn)確性。鑒此，采用層次分析法（AHP）［11～12］初步確定每個(gè)負(fù)載指標(biāo)的系數(shù)，得到初始的負(fù)載權(quán)值向量，然后通過實(shí)驗(yàn)調(diào)整以獲取最優(yōu)的負(fù)載權(quán)值向量。層次分析法的判斷矩陣如表1所示。

表1 判斷矩陣

根據(jù)判斷矩陣解出對應(yīng)的特征向量ω：

其中，ωc，ωm，ωn，ωl分別為計(jì)算集群節(jié)點(diǎn)負(fù)載時(shí)CPU利用率θcpu、內(nèi)存利用率θmem、帶寬利用率θnet、連接數(shù)θlinks等負(fù)載指標(biāo)的系數(shù)。

表 1 的 特 征 向 量 為 ω=(0.44，0.22，0.22，0.12)t。即就是負(fù)載權(quán)值向量為 α=(0.44，0.22，0.22，0.12)t。

通過實(shí)驗(yàn)，調(diào)整后的權(quán)值向量為α=(0.4，0.25，0.25，0.1)t

3.2.3 計(jì)算節(jié)點(diǎn)負(fù)載權(quán)值

通過上述方案可知：

負(fù)載指標(biāo)向量為：

其中，α=ω=(ωc，ωm，ωn，ωl)t。使用式（8）計(jì)算集群節(jié)點(diǎn)i的負(fù)載權(quán)值L：

3.3 服務(wù)器節(jié)點(diǎn)分類

在集群運(yùn)行的過程中，根據(jù)負(fù)載指標(biāo)的狀況選取一些處于不同負(fù)載狀態(tài)的個(gè)例，構(gòu)成進(jìn)行分類的訓(xùn)練集，然后基于分類算法，得到分類規(guī)則。在后期運(yùn)行過程中，根據(jù)該規(guī)則對集群節(jié)點(diǎn)進(jìn)行負(fù)載分類。部分訓(xùn)練樣本如表2所示：

表2 訓(xùn)練樣本集

用于分類的算法有很多，如FCM（模糊C均值聚類）、SVM［13～14］（支持向量機(jī)）、KNN（k-Nearest?Neighbor）等。KNN算法簡潔明了，適合于多分類問題，并且實(shí)驗(yàn)樣本的屬性較少（只有4個(gè)），故選擇KNN分類算法。

KNN算法的基本思想：在已知樣本集中尋找與待分類樣本最相似的k個(gè)樣本，找出其中數(shù)量最多的一類，則該樣本也屬于這個(gè)類。KNN算法中，選擇的樣本都是已經(jīng)正確分類的對象。采用歐氏距離來確定樣本之間的相似度，歐氏距離的計(jì)算如式（9）所示：

其中，i為樣本的屬性個(gè)數(shù)；xi為待分類樣本的屬性；yi為對應(yīng)訓(xùn)練樣本的屬性。

每當(dāng)調(diào)度服務(wù)器采集到集群節(jié)點(diǎn)的負(fù)載指標(biāo)后，使用KNN算法依次計(jì)算節(jié)點(diǎn)到已知樣本間的歐氏距離，得到距離最近的K個(gè)樣本的類別，然后選擇數(shù)量最多的一類作為當(dāng)前節(jié)點(diǎn)的類別。

3.4 反饋周期T的動(dòng)態(tài)更新

反饋周期T的初始值為10s。

計(jì)算每秒鐘集群節(jié)點(diǎn)任務(wù)數(shù)的變化量Δlinks，按照表3動(dòng)態(tài)地改變節(jié)點(diǎn)的反饋周期T，確保節(jié)點(diǎn)及時(shí)反饋其負(fù)載狀況。

表3 ΔT與Δlinks的對應(yīng)關(guān)系

其中，Δlinks為每秒鐘集群節(jié)點(diǎn)任務(wù)數(shù)的變化量；ΔT為反饋周期T的變化量。任務(wù)數(shù)增加則T減小，反之增大。

當(dāng) Δlinks小于20時(shí)，周期T保持不變；當(dāng)Δlinks小于40時(shí)，周期T的變化量為1s；當(dāng)Δlinks小于60時(shí)，周期T的變化量為2s；以此類推。為防止頻繁計(jì)算負(fù)載權(quán)值，周期T的最小值設(shè)置為1s；為防止周期T過大，不能及時(shí)反饋節(jié)點(diǎn)負(fù)載狀況，周期T的最大值設(shè)置為20s。

4 改進(jìn)的調(diào)度算法的實(shí)現(xiàn)

改進(jìn)算法采用了：

1）動(dòng)態(tài)改變負(fù)載反饋周期T；

圖3 改進(jìn)的動(dòng)態(tài)負(fù)載均衡調(diào)度算法總流程圖

2）按集群節(jié)點(diǎn)的負(fù)載狀況進(jìn)行分類；

以此來提高集群負(fù)載均衡效率。改進(jìn)的動(dòng)態(tài)負(fù)載均衡算法的總流程如圖3所示。

集群節(jié)點(diǎn)分類的處理流程如圖4所示。

圖4 集群節(jié)點(diǎn)分類流程圖

對于集群節(jié)點(diǎn)分類的過程，主要是計(jì)算待分類節(jié)點(diǎn)與集群其余節(jié)點(diǎn)的歐氏距離，根據(jù)前K個(gè)距離最小的節(jié)點(diǎn)所屬類的情況確定待分節(jié)點(diǎn)屬于哪一類。若前K個(gè)節(jié)點(diǎn)中正常負(fù)載類的節(jié)點(diǎn)占多數(shù)，則待分節(jié)點(diǎn)就屬于正常負(fù)載類。

5 實(shí)驗(yàn)及結(jié)果分析

5.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證改進(jìn)的動(dòng)態(tài)負(fù)載均衡調(diào)度算法，搭建流媒體服務(wù)器集群來測試該算法性能。實(shí)驗(yàn)環(huán)境設(shè)置如表4、表5所示。

表4 硬件配置表

表5 軟件配置表

5.2 實(shí)驗(yàn)結(jié)果及分析

通過向調(diào)度服務(wù)器發(fā)送100、200、300、400個(gè)并發(fā)請求，比較最小連接數(shù)算法和改進(jìn)算法的平均響應(yīng)時(shí)間。測試結(jié)果如表6所示。

根據(jù)表6的數(shù)據(jù)，在并發(fā)任務(wù)數(shù)較少的情況下，兩種算法的平均響應(yīng)時(shí)間相差不多；當(dāng)并發(fā)數(shù)逐漸增大后，改進(jìn)算法的效率明顯優(yōu)于最小連接數(shù)算法。

表6 平均響應(yīng)時(shí)間結(jié)果

通過向調(diào)度服務(wù)器發(fā)送300個(gè)并發(fā)請求，每個(gè)請求運(yùn)行時(shí)間隨機(jī)，并在45s時(shí)再發(fā)送100個(gè)并發(fā)請求，通過每隔30s定期采集集群各流媒體服務(wù)器節(jié)點(diǎn)的負(fù)載情況，來比較最小連接數(shù)算法和改進(jìn)算法的優(yōu)劣性。

當(dāng)采用最小連接數(shù)算法時(shí)，集群中每臺流媒體服務(wù)器的負(fù)載變化情況如圖5所示。

圖5 最小連接數(shù)算法負(fù)載變化圖

從圖5可以看出，在初始時(shí)刻（即0s），由于集群節(jié)點(diǎn)的處理性能不同，負(fù)載權(quán)值有差異；30s時(shí)，集群的負(fù)載并不均衡；60s時(shí)，突發(fā)大量并發(fā)連接，集群的負(fù)載也不均衡。

同樣條件下，采用改進(jìn)算法，集群中的流媒體服務(wù)器負(fù)載變化情況如圖6所示。

圖6 改進(jìn)算法負(fù)載變化圖

從圖6可以看出，初始時(shí)刻，由于集群節(jié)點(diǎn)的處理性能不同，集群的負(fù)載并不均衡；30s時(shí)，集群的負(fù)載比較均衡；60s時(shí)，突發(fā)大量并發(fā)連接，集群的負(fù)載仍然均衡。

對比圖5、圖6可以看出，由于最小連接數(shù)算法沒有考慮集群節(jié)點(diǎn)的處理性能，并不能很好的保證集群負(fù)載均衡，當(dāng)突發(fā)大量任務(wù)請求時(shí)，集群發(fā)生負(fù)載傾斜；改進(jìn)的負(fù)載均衡算法在通常情況下保證了集群負(fù)載均衡，同時(shí)也能很好地處理當(dāng)大量突發(fā)任務(wù)請求到來時(shí)的情況，始終保證集群負(fù)載均衡。

6 結(jié)語

本文主要分析了提升負(fù)載均衡效率的兩個(gè)主要問題，并針對該問題提出了一種改進(jìn)的動(dòng)態(tài)負(fù)載均衡算法：通過動(dòng)態(tài)修改反饋周期T以及對集群節(jié)點(diǎn)進(jìn)行分類，來達(dá)到更好的負(fù)載均衡效果。通過實(shí)驗(yàn)對比，可知改進(jìn)的動(dòng)態(tài)負(fù)載均衡算法具有更短的平均響應(yīng)時(shí)間，也能保證集群長時(shí)間的負(fù)載均衡效果。

［1］柳艷茹.淺談流媒體技術(shù)的應(yīng)用與發(fā)展［J］.赤峰學(xué)院學(xué)報(bào)（自然科學(xué)版），2012（11）：16-17.

LIU Yanru.The Application and Development of Stream?ing Media Technology［J］.Journal of Chifeng University（Natural Science Edition），2012（11）：16-17.

［2］龍著乾.流媒體服務(wù)器集群的負(fù)載均衡研究［J］.軟件，2013（4）：62-64.

LONG Zhuqian.Streaming Media Server Cluster Load Bal?ancing［J］.Software，2013（4）：62-64.

［3］寧國勤，朱光喜，彭烈新.異構(gòu)分層無線網(wǎng)絡(luò)中的混合動(dòng)態(tài)流量均衡算法研究［J］.通信學(xué)報(bào)，2007，28（1）：75-81.

NING Guoqin，ZHU Guangxi，PENG Liexin.Research on hybrid dynamic load balancing algorithm in heterogeneous hierarchical wireless networks［J］.Tongxin Xuebao/Jour?nal on Communications，2007，28（1）：75-81.

［4］王春娟，董麗麗，賈麗.Web集群系統(tǒng)的負(fù)載均衡算法［J］.計(jì)算機(jī)工程，2010（2）：102-104.

WANG Chunjuan，DONG Lili，JIA Li.Load Balance Algo?rithm for Web Cluster System［J］.Computer Engineering，2010（2）：102-104.

［5］高振斌，潘亞辰，華中，等.改進(jìn)的基于加權(quán)最小連接數(shù)的負(fù)載均衡算法［J］.科學(xué)技術(shù)與工程，2016（6）：81-85.

GAO Zhenbin，PAN Yachen，HUA Zhong，et al.An Im?proved Load Balancing Algorithm Based on WLC［J］.Sci?ence Technology and Engineering，2016（6）：81-85.

［6］任俠.基于動(dòng)態(tài)自適應(yīng)負(fù)載均衡的服務(wù)器集群優(yōu)化策略［J］.工業(yè)控制計(jì)算機(jī)，2015（12）：38-39，41.

REN Xia.Load Balance Based Server Selection in Web Server Cluster System Scheme［J］.Industrial Control Com?puter，2015（12）：38-39，41.

［7］榮航.改進(jìn)的動(dòng)態(tài)負(fù)載均衡算法在集群中的應(yīng)用［J］.無線通信技術(shù)，2015（3）：34-370.

RONG Hang.Improved Dynamic Load-balancing Algo?rithm in the Cluster［J］.Wireless Communication Technol?ogy，2015（3）：34-370.

［8］魏欽磊.基于集群的動(dòng)態(tài)反饋負(fù)載均衡算法的研究［D］.重慶：重慶大學(xué)，2013.

WEI Qinlei.Study on Dynamic Feedback Load Balancing Algorithm Based on Cluster［D］.Chongqing：Chongqing University，2013.

［9］Zhang Qian，Ge Yufei，Liang Hong，Shi Jin.A Load Bal?ancing Task Scheduling Algorithm based on Feedback Mechanism for Cloud Computing［J］.International Jour?nal of Grid and Distributed Computing，2016，9（4）：41-52.

［10］陳偉，張玉芳，熊忠陽.動(dòng)態(tài)反饋的異構(gòu)集群負(fù)載均衡算法的實(shí)現(xiàn)［J］.重慶大學(xué)學(xué)報(bào)，2010，33（2）：73-78.

CHEN Wei，ZHANG Yufang，XIONG Zhongyang.Re?search and realization of the load balancing algorithm for heterogeneous cluster with dynamic feedback ［J］.Chongqing Daxue Xuebao/Journal of Chongqing Univer?sity，2010，33（2）：73-78.

［11］廖紅強(qiáng)，邱勇，楊俠，等.對應(yīng)用層次分析法確定權(quán)重系數(shù)的探討［J］.機(jī)械工程師，2012（6）：22-25.

LIAO Hongqiang，QIU Yong，YANG Xia，et al.A Study of Weight Coefficient Computing Method Based on AHP［J］.Mechanical Engineer，2012（6）：22-25.

［12］朱曉妹，葉仁蓀，張重天，等.運(yùn)用層次分析法確定崗位要素權(quán)重的技巧分析［J］.鐵道工程學(xué)報(bào)，2010（5）：87-90.

ZHU Xiaomei，YE Rensun，ZHANG Chongtian，et al.Analysis of Techniques for Determining Factor Weight in Job Evaluation with Analytic Hierarchy Process［J］.Jour?nal of Railway Engineering Society，2010（5）：87-90.

［13］袁玉萍.基于線性規(guī)劃的K-SVCR支持向量機(jī)［J］.山西大學(xué)學(xué)報(bào)（自然科學(xué)版），2009（2）：193-196.

YUAN Yuping.K-SVCR support vector machine based on linear programming［J］.Journal of Shanxi University（Nat.Sci.Ed.），2009（2）：193-196.

［14］翟嘉，胡毅慶，成小偉.基于三分類支持向量機(jī)的多分類算法的研究［J］.中北大學(xué)學(xué)報(bào)（自然科學(xué)版），2015（5）：520-525，532.

ZHAI Jia，HU Yiqing，CHENG Xiaowei.Study on Classi?fication Algorithm Based on Three Classification Support Vector Machine［J］.Journal of North University of China（Natural Science Edition），2015（5）：520-525，532.